随着现代科学技术的蓬勃发展，数字语音信号处理作为一个跨学科、综合性的研究领域已成为当今的一个研究热点。经研究表明，语音信号是一个复杂的非线性、非平稳随机过程，这使得基于线性平稳线性系统理论发展起来的传统语音信号处理技术性能难以进一步提高。近年来发展起来并逐步完善的非线性、非平稳信号处理方法为语音信号处理技术的发展带来了新的生机。 实际中，语音常常受到环境噪声的干扰而使通话质量下降，使得语音处理系统不能正常工作。在这种情况下，必须采用信号处理方法进行语音的检测和语音增强，抑制背景噪声，以提高语音通信质量。语音增强不仅可以提高语音的清晰度，改善听觉质量，而且在许多语音编码和识别系统中，通过增强处理可以大大改善系统在含噪条件下的性能。语音增强是语音信号处理的一个重要分支，该技术已广泛应用于无线电话、电话会议、场景录音和军事窃听等领域。语音检测和增强技术无论在日常生活中，还是在军事领域，或者对语音信号处理技术都很有应用价值。 基于经验模态分解的时频分析方法，被认为是近年来对以傅立叶分析为基础的线性和稳态数据分析的一个重大突破。本文以背景噪声下语音流检测和增强为目标，主要研究了以下几个方面的内容： 1．详细地阐述了经验模态分解方法和以此为基础的Hilbert-Huang变换的基本原理和算法。利用统计学的工具考察了经验模态分解前后数据分布的变化。研究了采样率对经验模态分解效果的影响。利用功率谱密度研究了经验模态分解的滤波器特性。 2．针对经验模态分解中端点效应问题，阐述了端点效应产生的机理，系统地介绍了以往处理端点效应的方法，考虑到端点效应问题在学习领域属于小样本(或有限样本)问题，将统计学习的理论应用到了端点延拓的问题上来，利用回归支持向量机技术有效地解决了数据